________________________________________________________

Toolbox

________________________________________________________

  • Toolbox Matlab de reconstruction de signaux parcimonieux par l'algorithme SOOT dans le contexte de la déconvolution aveugle

    Téléchargement : RestoVMFB_Lab_v1.0.zip

    xtrue y
     
    xtrue y
     

    Cette boîte à outils Matlab permet de reconstruire un signal sismique parcimonieux x dégradé suivant le modèle y=h*x+w, où h représente un noyau de convolution inconnu et w est une réalisation d'un bruit blanc gaussien.
    Dans le cadre de la déconvolution aveugle, un terme de régularisation efficace permettant de promouvoir la parcimonie du signal à estimer est la fonction l1/l2.
    Une approximation lisse de cette pénalisation est proposée dans l'article associé à cette toolbox. Le problème de minimisation qui en résulte est résolu grâce à un algorithme explicite-implicite à métrique variable alterné par bloc.

    Les détails de cette méthode sont décrits ici.

    Les détails de l'algorithme explicite-implicite à métrique variable alterné par bloc sont décrits ici.


  • ________________________________________________________

  • Toolbox Matlab de restauration d'images par l'algorithme VMFB

    Téléchargement : RestoVMFB_Lab_v1.0.tar.gz, RestoVMFB_Lab_v1.0.zip

    jetplane jetplaneblurnoisy jetplanerestored
     

    Cette boîte à outils Matlab permet de restaurer des images dégradées par un opérateur linéaire et un bruit gaussien dont la variance dépend linéairement de l'image.
    Une stratégie efficace est de définir la solution de ce problème inverse comme étant un minimiseur d'un critère pénalisé G = F + R, où F est une fonction d'attache aux données (ici l'anti log-vraissemblance de la distribution de bruit) et R est une fonction de régularisation qui favorise certaines propriétés a priori de la solution (ici l'indicatrice d'un convexe - permettant de contraindre la dynamique de l'image restaurée - et d'un terme de variation totale isotrope).
    La minimisation de G se fait avec un algorithme de type Forward-Backward accéléré par l'introduction d'une métrique variable au cours des itérations. Cette métrique est choisie grâce à la théorie de la Majoration-Minimisation.

    Les détails de cet algorithme sont décrits ici.

________________________________________________________

Contact

Biomedical and Astronomical Signal Processing group
Institute of Sensors, Signals and Systems
Heriot-Watt University
Edinburgh EH14 4AS
Scotland UK

mail: A.Repetti@hw.ac.uk



.